PyTorch学习笔记——（1）系统性的介绍TyTorch的基本操作

1、基本数据类型

下面和python的数据类型作比较，看看PyTorch的数据类型：

字符串类型没有对应？于是使用了下面的方法对应，这个自行搜索。

1.1 PyTorch数据类型：

下图展示了PyTorch的数据类型，需要注意的是CPU和GPU的数据类型是不一样的：

1.2 如何检测数据类型：

方法一：

a = torch.randn(2, 3) #创建一个正态分布的张量
a.type() # 方法一检测

# 输出：
'torch.FloatTensor'

方法二：

type(a) #这个是python中的

# 输出：
torch.Tensor

方法三：

isinstance(a, torch.FloatTensor)

# 输出：
True

# 将数据放到GPU上：
a = a.cuda()
isinstance(a, torch.cuda.FloatTensor)

#输出：
True

2、创建tensor（张量）

2.1 标量

标量就是我们说的单个数字，这个主要的用途是计算Loss的时候使用。下面看看怎么创建的：

import torch

a = torch.tensor(1.) # 创建了一个标量
a
# 输出：
tensor(1.)

# 看看标量的形状：
a.shape # 或者 a.size()
# 输出：
torch.Size([])

2.2 创建张量

在这里为了不涉及更多的知识，我就先直接把张量理解成了数组或者多维矩阵，以后学习的差不多了，再深入理解。

那如何创建呢？下面来看：

• （1）使用：torch.tensor([])
  • 注意：使用这个需要加[]，不然就成了标量了。另外，我这里默认创建的数据类型是torch.FloatTensor。

import torch

a = torch.tensor([1.]) # 注意有方括号，省略了就成了标量了

a.shape
# 输出：
torch.Size([1])

a.type() # 我这里默认是torch.FloatTensor
# 输出：
'torch.FloatTensor'

• （2）使用torch.Tensor()
  • 注意：这个大写的Tensor和前面小写的区别是：这个不加[]创建一个随机化的张量，并且括号里的参数是形状；加了[]则表明里面的数据，和tensor一个功能了。

# 情况一：
torch.Tensor(2,3)  # 创建形状为(2, 3)的张量
# 输出：
tensor([[0.0000e+00, 0.0000e+00, 1.4013e-45],
        [0.0000e+00, 1.4013e-45, 0.0000e+00]])

# 情况二：
torch.Tensor([2,3]) # 创建[2,3]这个张量
# 输出：
tensor([2., 3.])

• （3）torch.FloatTensor()
  • 这个和torch.Tensor类似，只不过指定了类型。

a = torch.FloatTensor(2,3)
a.shape
# 输出：
torch.Size([2, 3])

关于其他类型，和（2）（3）情况差不多，这里就不再赘述了。

2.3 创建特定张量

• （1）创建全为1的张量：torch.ones()或者torch.ones_like()

例子：

a = torch.ones(2,2)
# 输出：
tensor([[1., 1.],
        [1., 1.]])

torch.ones_like(a) # 就是按a的形状，创造全1的张量
# 输出：
tensor([[1., 1.],
        [1., 1.]])

• (2)创建全为0的张量：torch.zeros()或torch.zeros_like()

例子：

a = torch.zeros(3,2)
# 输出:
tensor([[0., 0.],
        [0., 0.],
        [0., 0.]])
        
torch.zeros_like(a)# 就是按a的形状，创造全0的张量
# 输出:
tensor([[0., 0.],
        [0., 0.],
        [0., 0.]])

• (3)创建指定数字的张量：torch.full([], num)
  • []里面是指定的形状，num是用哪个数字填充

例子：

torch.full([2,3], 7)
# 输出：
tensor([[7., 7., 7.],
        [7., 7., 7.]])

• (4)从numpy创建：torch.from_numpy(data)

例子：

data = np.ones(2)
torch.from_numpy(data) # 将numpy的数组类型转换为tensor
# 输出：
tensor([1., 1.], dtype=torch.float64)

• （5）从list导入：

a = [1,2,3]
torch.tensor(a) # 注意：小写的tensor接受数据，大写的接受shape
# 输出：
tensor([1, 2, 3])

• （6）生成未初始化的tensor：torch.empty()

例子：

torch.empty(2,3) # 2行3列
# 输出：
tensor([[1.3541e-05, 8.5007e-07, 8.4078e-45],
        [0.0000e+00, 1.4013e-45, 0.0000e+00]])

注意：这个其实就随机初始化了，有时候初始化的值很大或者很小，所以尽量少用。

• （7）生成序列：arange()，和python的range一样，不赘述。
  例子：

torch.arange(10,1, -1) # 生成从10到1的整数,第三个参数为间隔，-1为倒着来

• （8）linspace()/logspace()
  • linspace()在一个给定的区间中，将这个区间平均分成几份。
  • logspace()就是开始结束的10次方，然后在这个区间中均匀取点

例子：

torch.linspace(0, 10, 4) # 把1-10平均分成4份了
# 输出：
tensor([ 0.0000,  3.3333,  6.6667, 10.0000])

torch.logspace(0, 10, 5) # 就是开始结束的10次方，然后在这个区间中均匀取点
# 输出：
tensor([1.0000e+00, 3.1623e+02, 1.0000e+05, 3.1623e+07, 1.0000e+10])

• （9）生成单位矩阵：eye()

例子：

a = torch.eye(3,3) # 3*3单位矩阵
# 输出：
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

• (10)生成从0到n-1的的n个数，然后打乱：torch.randperm(n)

例子：

torch.randperm(9)
# 输出：
tensor([0, 6, 3, 4, 8, 7, 1, 5, 2])

3、查看tensor的形状和维度

（1）.size(num)

功能是查看张量的形状。
参数：num指查看第几个维度，缺失默认全部
返回值为张量的形状，从外到内（我指的是[]从外到内）。

例子：

a = torch.randn(2, 3) # 使用正态分布随机初始化2*3列的张量
a.size() # 查看张量的形状，从外到内
# 输出：
torch.Size([2, 3])

a.size(0) # 第0维度的张量大小
# 输出：
2

a.size(1) # 第1维度的张量大小
# 输出：
3

（2）.shape

和size()一个效果。

例子：

a = torch.randn(2, 3) # 使用正态分布随机初始化2*3列的张量
a.shape # 和size一个效果
# 输出：
torch.Size([2, 3])

a.shape[0] # 查看第0维度
# 输出：
2

a.shape[1] # 查看第0维度
# 输出：
3

（3）.dim

功能：查看张量有几个维度。

例子：

a = torch.randn(2, 3) # 使用正态分布随机初始化2*3列的张量
a.dim
# 输出：
2

4、tensor的索引

• （1）比如要直接取一个张量里的某个数，直接看例子：

a = torch.randn(4, 3, 28, 28) # 创建了(4,3,28,28)形状的张量
a.shape
# 输出：
torch.Size([4, 3, 28, 28])

# 取第一个维度为0，第二个维度为0&